Google baru-baru ini termasuk dalam tensorflow nightly membangun mode Eager -nya , API penting untuk mengakses kemampuan komputasi tensorflow.
Bagaimana tensorflow ingin dibandingkan dengan PyTorch?
Beberapa aspek yang dapat memengaruhi perbandingan dapat:
- Keuntungan dan kerugian dari keinginan karena warisan grafik statis (misalnya nama dalam node).
- Keterbatasan intrinsik salah satu dari mereka yang tidak dimiliki oleh yang lain.
- Area di mana salah satunya membutuhkan peningkatan (mis. Kelengkapan fitur, optimisasi komputasi).
- Perbedaan ekosistem (mis. Papan tensor?).
Catatan1: Yaroslav Bulatov menulis ulasan tentang fitur bagus eager .
Note2: Dalam pertanyaan sebelumnya , saya meminta perbandingan antara PyTorch dan Tensorflow Fold. Saat itu, saya merasa bahwa Fold dapat menghadapi PyTorch berkat dukungan Google. Saya sangat salah: pada akhirnya, Google sendiri mengabaikan Fold demi Eager. Saya mengerti bahwa ini adalah karena keterbatasan intrinsik dalam API tensorflow normal yang menyebabkan Fold tidak terlalu ramah, yang membatasi pengadopsiannya.
deep-learning
tensorflow
pytorch
ncasas
sumber
sumber
Jawaban:
Salah satu keuntungan utama yang saya gunakan banyak adalah yang kompatibel dengan pdb, jadi
Mengizinkan penggunaan struktur data python
dan mari kita gunakan aliran kontrol pythonic alih-alih menggunakan padanan utama tf.
Juga memungkinkan untuk menghindari masalah pemrograman metap seperti "lazy loading" dan menambahkan banyak operasi ke grafik saya. Juga kesamaan autograd
sumber